بررسی عوامل مؤثر بر نرخ ارز و پیش‌بینی آن با ترکیب روش‌های اقتصادسنجی و یادگیری ماشین
محورهای موضوعی : فصلنامه اقتصاد محاسباتی
علیرضا اورنگیان
1
,
بهزاد بلوریان
2
,
الهه اورنگیان
3
1 - دانشکده مدیریت و حسابداری، دانشگاه تهران، ایران
2 - معاونت مالی، شرکت تولیدی آرین ماهتاب گستر
3 - دانشکده اقتصاد و علوم سیاسی، دانشگاه شهید بهشتی
کلید واژه: نرخ ارز, , , , , تحلیل حساسیت سوبل, , , , , تصحیح خطای برداری, , , , , خودرگرسیون برداری,
چکیده مقاله :
هدف اصلی پژوهش حاضر بررسی عوامل مؤثر بر نرخ ارز و ارائه پیش‌بینی از روند آتی آن با استفاده از روش‌های اقتصادسنجی و یادگیری ماشین است. میانگین متحرک فصلی نرخ ریال به دلار آمریکا از بهار 1392 تا بهار 1401 به‌عنوان متغیر وابسته نرخ ارز و تراز تجاری، بدهی به تولید ناخالص داخلی، تولید ناخالص داخلی، نرخ تورم، حجم نقدینگی، قیمت نفت اوپک و نرخ بیکاری به‌عنوان متغیرهای مستقل در نظر گرفته‌شده‌اند. برای تعیین عوامل مؤثر بر نرخ ارز از الگوریتم تحلیل حساسیت سوبل که یکی از روش‌های یادگیری ماشین به شمار می‌رود استفاده شده است و پس از تعیین عوامل مؤثر، از مدل اقتصادسنجی VECM برای تحلیل رگرسیونی و پیش‌بینی بهره‌گیری شده است. تشخیص اینکه واریانس خطای پیش‌بینی نرخ ارز توسط کدام‌یک از متغیرهای مستقل توضیح داده می‌شود و چه مدت طول می‌کشد تا تأثیر یک واحد شوک در هرکدام از متغیرهای مستقل بر نرخ ارز خنثی شود، توسط ابزارهای تجزیه واریانس خطا و توابع واکنش ضربه‌ای در مدل VAR انجام پذیرفته است. نتایج حاصل از پژوهش نشان می‌دهد که به ترتیب، حجم نقدینگی، قیمت نفت، نرخ بیکاری و نرخ تورم، تأثیرگذارترین عوامل نرخ ارز در ایران هستند و طولانی‌ترین مدت تأثیر بر نرخ ارز را به ترتیب، حجم نقدینگی، نرخ تورم، قیمت نفت و نرخ بیکاری دارند که از این حیث، نتایج حاصل از روش‌های اقتصادسنجی و یادگیری ماشین مشابهت داشته‌اند. ارقام پیش‌بینی‌شده برای نرخ ارز تا زمستان 1402 نیز مشخص گردیده است.
The main purpose of this paper is to investigate the factors affecting exchange rate and to forecast the future trend using econometrics and machine learning methods. The seasonal moving average of IR Rial to US Dollar rate from spring 1392 to spring 1401 is the proxy of exchange rate as the dependent variable and balance of trade, debt to GDP, GDP, inflation rate, liquidity volume, OPEC oil price and unemployment rate are considered as the independent variables. For determining the factors influencing the exchange rate, Sobol' Sensitivity Analysis, a machine learning method, is used and VECM is harnessed for regressing and forecasting. Variance decomposition and impulse response function are also utilized as instruments of VAR for measuring the future shocks effects of independent variables on exchange rate and the periods in which these shocks will be neutralized. The results show that liquidity volume, oil price, unemployment rate and inflation rate are the most significant determinants, respectively and the future shocks of liquidity volume, inflation rate, oil price and unemployment rate have the longest period of impacts on the exchange rates, respectively. The study outcomes also show an affinity between econometric and machine learning results in this case. The predicted amounts of exchange rate until winter 1402 are also included in the results.
_||_